用于多源黑盒域适应的标签空间诱导伪标签精炼

基于摘要分析。本文研究多源黑盒无监督域适应：在无法访问源数据和源模型参数、只能获取多个源域 API 预测的条件下，如何生成更可靠的目标域伪标签。作者提出 Label Space-Induced Pseudo Label Refinement（LPR），通过学习源域间关系来精炼伪标签，并用于目标模型自训练。 核心机制是 Pseudo label Refinery Network（PRN），仅利用源 API 的预测，在目标域条件下学习源域之间的关系。训练分为两个阶段：预热阶段旨在降低噪声样本导致训练失败的风险，并提供初始伪标签；随后进入标签精炼阶段，进一步探索域间关系。相较于摘要所述的单源黑盒方法，其主要研究增量是处理多个源 API，并学习它们在目标域上的关系，而非仅依赖单个 API 的预测。PRN 的具体结构、损失函数、预测输出形式及目标模型更新细节尚未验证。 作者报告提供了 LPR 机制的理论支持，并在四个基准数据集上，相对于不同域适应设置下的先进方法取得有竞争力的表现。摘要未提供数据集名称、任务、划分、指标数值或基线访问权限，尚不能量化收益或判断不同设置是否可直接比较；理论假设、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多个源被试或源会话模型能够对同一目标 EEG 样本输出语义对齐的类别预测，该机制可能用于跨被试或跨会话域适应中的多源伪标签融合。可复用部分是预测空间中的域关系学习与两阶段精炼；需核对并适配类别空间、API 输出粒度及目标 EEG 模型。低信噪比、通道差异、小数据和源模型共同偏差可能使错误伪标签被反复强化。一个可证伪的小实验是在固定跨被试划分下，仅开放多个源模型的预测，以相同目标模型和训练预算比较 LPR 与简单预测平均，使用预先规定的同一指标评估，并确保目标测试标签不参与适应。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。